【数据安全】数据处理安全评估:25项核心控制点

【数据安全风险评估服务全流程】 数据安全风险评估,主要围绕数据和数据处理活动,聚焦可能影响数据的保密性、完整性、可用性和数据处理合理性的安全风险,掌握数据安全总体状况,发现数据安全隐患,提出数据安全管理和技术防护措施建议,提升数据安全防攻击、防破坏、防窃取、防泄露、防滥用能力。首先通过信息调研识别数据处理者、业务和信息系统、数据资产、数据处理活动、安全措施等相关要素,然后从数据安全管理、数据处理活动、数据安全技术、个人信息保护等方面识别风险隐患,最后梳理风险源清单,分析数据安全风险、视情评价风险,并给出整改建议。 阅读详情

01 数据流与风险

数据处理活动是数据安全风险评估的核心,它是区别网络安全关键之一。以数据为中心,关注数据的流动过程,数据流转至的任何环节,都可能产生风险,任何可能接触到数据的角色都存在风险隐患。

关注数据的静止、传输、使用状态,每种状态下所需采取的防护措施不同。今天整体把数据处理活动做关注的细节进行深度解析,为大家打开一些思路。

02 数据处理活动与全生命周期区别

以前数据安全话题围绕数据安全生命周期展开(六个:采集、传输、存储、处理、交换、销毁),比较官方但不接地气,每个环节被切割。很多领域也可以通过生命周期模型去刻画,比如密钥管理生命周期、项目全生命周期等,很多安全产品也参照这个模型。

GB/T 37988数据安全能力成熟度模型,参照数据六个生命周期进行整体描述。如下图

图片

图1 数据安全能力成熟度模型架构图|GB/T 37988

现在数据安全都强调数据处理活动,包括收集、存储、使用和加工、传输、提供、公开、删除等活动,强调数据的各个活动状态,活动之间的关联关系更紧密,颗粒度更加细腻,这些活动代表了不同数据场景,更加关注数据内部处理动作,如通常大数据平台的使用、加工,增加了一些数据公开、数据提供的概念,跟业务联系的更加紧密。

2023年5月发布《网络数据安全风险评估实施指引》(以下简称“风险评估”)中风险识别主要阶段,除了传统的数据安全管理、数据安全技术之外,新增加了数据处理活动和个人信息保护,更加体现数据和业务的关系,需要更多的工作角色参与到数据安全工作中去。

03 七项数据处理活动

风险评估指引中描述了七项关键数据处理活动过程,包括数据收集、数据存储、数据传输、数据加工和使用、数据提供、数据公开、数据删除。

图片

图2 数据处理活动过程

**(1)数据收集:**数据从哪些收集的,外部收集还是内部产生。考虑数据收集渠道、收集方式、范围、目的、收集的频率。是否涉及外部数据源,配套的合同协议是否合规等。收集过程的设备及环境安全,所采集数据的质量控制。

**(2)数据存储:**除了结构化存储外,考虑数据存储加密情况,所使用的技术措施;数据存储的方式,如数据库、大数据环境等;备份数据、中间库、业务日志、数据分析和统计报表中的数据容易被忽略。像云上备份数据、快照数据、副本数据也容易被遗漏涉。此外敏感数据和重要数据所存储介质管控,是否有必要销毁。

**(3)数据传输:**了解三次加密概念,数据传输的通道加密、通道中传输数据内容加密、数据包中敏感数据的二次加密。传输过程中的链路安全,是否设置高可用冗余,传输过程是否涉及中途环节的解密造成数据泄漏。

**(4)数据加工和使用:**现在数据都以数据中心、数据湖的形式进行统一归集,在数据资源平台上进行统一加工处理。加工过程中不同级别数据访问控制非常关键。还有一个典型场景,即数据的导入导出场景的安全。数据使用更多强调内部同一系统内或者不同系统内之间的数据内部使用,需要防止内部数据的滥用问题。

**(5)数据提供:**和数据共享、数据服务内容相似,更倾向于“对外”。数据提供的合法正当性,涉及数据接收方的安全防护能力评估,是否满足数据保护要求。另外涉及数据转移、数据出境等都应遵守法律法规约束,如数据出境的三条路径。

**(6)数据公开:**数据公开是有法律义务,如政府单位职能要求公开的,像政府的招投标信息、各类统计数据等。从管控上看,数据公开是一个非常严谨的事项,公开依据、公开前评估、审批上线等,该环节中需要注意公开数据的聚合风险,包括因政策失效后,已公开数据删除处置等。

**(7)数据删除和销毁:**实际操作过程不太好把控,因为数据的状态不同,尤其现在大部分存储与云环境,作为云租户在使用。数据删除中需要做好删除留痕和删除确认动作等文档记录证明。涉及敏感数据和重要数据存储的介质,是否需要进行物理销毁。

04 数据处理活动中的25个关键控制点

数据处理活动中需要关注的关键控制点,评估指引中给出了更加细致的分类。在实际风险评估实践中,可以参照每个控制点进行询问、访谈,掌握数据处理的细节。

图片

图3 数据收集活动的关键控制点(5项)

个人理解这些控制点非常重要,引导我们关注处理活动的关键点,每个控制点实际都可转化为安全风险,作为评估人员需要关注的内容。

以数据收集为例,从个人角度进行解析:

**从对象上看:**涉及数据源方、数据内容、数据收集工具(app、人、web等)、数据接收端、数据收集后的存储环境、合同/协议等。

**从技术上看:**数据收集的方式有哪些(数据库、api、ftp、其他接口),包括人工收集;数据质量校验技术、异常数据监控技术、数据源鉴别技术。

**从合规上看:**涉及协议、合同、授权等内容是否有要求。业务功能上,数据收集是否业务最小必要,是否超范围,比如App功能上的过度采集等。

**从管理上看:**是否制定数据采集的安全策略和操作规程,涉及第三方是否承担监督管理责任、是否开展定期安全审计工作等,这些必备的管理动作都需必须执行。

图片

图4 数据存储活动的关键控制点(3项)

图片

图5 数据传输活动的关键控制点(2项)

图片

图6 数据加工与使用活动的关键控制点(5项)

图片

图7 数据提供活动的关键控制点(6项)

图片

图8 数据公开活动的关键控制点(2项)

图片

图9 数据删除活动的关键控制点(2项)

05 三种框架分析数据处理过程中的风险

安全领域有多层防御的框架,即通过不同维度、不同层次进行理解和设计防护控制。数据安全领域也可以引用该思路,使用“叠加”的理念。尤其数据安全检查、安全评估的活动,更多是从合规层面,用不同的视角去看待数据处理过程中的风险。

以下是个人数据安全的思路借鉴和总结,供参考。

方法一:数据安全能力成熟度模型

GT/T 37988通过对组织机构各数据安全过程所需具备安全能力的量化,能够评估每项安全过程的实现能力。安全能力从组织建设、制度流程、技术工具及人员能力四个关键能力展开。

图片

图10 数据安全成熟度的4个维度

**1.组织建设:**数据安全组织机构的架构建立、职责分配和沟通协作。

**2.制度流程:**组织机构数据安全领域的制度规范和流程执行。

**3.技术工具:**通过技术手段和产品工具固化安全要求或自动化实现安全工作。

**4.人员能力:**执行数据安全工作的人员的意识及专业能力。

当要理解一个信息系统的数据安全工组,可以参照GT/T 37988思想,从组织建设(配套的组织、人员)、制度流程(制度体系、安全策略、操作规程等)、技术工具(不同处理活动中所需不同的安全技术工具)、人员能力(不同处理活动涉及人员的不同,人员相关身份识别、账号授权、操作行为等控制),用这个框架内容去思考数据安全。

方法二:数据安全5A理论

郑云文编著《数据安全架构设计和实战》中提出5A的框架,即身份认证、授权、访问控制、资产保护、安全审计。数据安全的每个环节都可以参照上述5A思路开展工作。

图片

图11 《数据架构设计和实战》:安全架构5A方法论

以“数据加工和使用”为例:数据分析人员、数据服务商、开发人员的身份认证、不同级别数据的授权、资源接入的访问控制、操作行为记录及事后的安全审计情况。

方法三:风险评估指引的方法

《风险评估指引》中也有明确的框架,指引我们开展风险评估工作。

1.安全管理维度:(1)制度体系叠加(整体制度体系、安全策略、操作规程,每个阶段的配套要求)(2)安全审计体系(3)监督落实体系;

2.安全技术维度:数据安全专有技术和通用的网络安全技术;

3.业务合规维度:协议、合同、授权、审批等环节考虑,从业务视角入手,了解业务形式、服务模式、服务群体,在什么背景下产生业务需求,业务可用性的要求是5*8还是7*24,业务中断会造成什么影响。

信息系统数据安全风险评估,本质上是协助客户识别系统中数据资产及数据流动过程,用数据处理活动细颗粒的视角审查这些过程中风险隐患点,再看这些可能风险隐患已采取哪些安全管理和安全技术措施,识别出主要风险进行整改。

e题外话

初入计算机行业的人或者大学计算机相关专业毕业生,很多因缺少实战经验,就业处处碰壁。下面我们来看两组数据:

2023届全国高校毕业生预计达到1158万人,就业形势严峻;

国家网络安全宣传周公布的数据显示,到2027年我国网络安全人员缺口将达327万。

一方面是每年应届毕业生就业形势严峻,一方面是网络安全人才百万缺口。

6月9日,麦可思研究2023年版就业蓝皮书(包括《2023年中国本科生就业报告》《2023年中国高职生就业报告》)正式发布。

2022届大学毕业生月收入较高的前10个专业

本科计算机类、高职自动化类专业月收入较高。2022届本科计算机类、高职自动化类专业月收入分别为6863元、5339元。其中,本科计算机类专业起薪与2021届基本持平,高职自动化类月收入增长明显,2022届反超铁道运输类专业(5295元)排在第一位。

具体看专业,2022届本科月收入较高的专业是信息安全(7579元)。对比2018届,电子科学与技术、自动化等与人工智能相关的本科专业表现不俗,较五年前起薪涨幅均达到了19%。数据科学与大数据技术虽是近年新增专业但表现亮眼,已跻身2022届本科毕业生毕业半年后月收入较高专业前三。五年前唯一进入本科高薪榜前10的人文社科类专业——法语已退出前10之列。
“没有网络安全就没有国家安全”。当前,网络安全已被提升到国家战略的高度,成为影响国家安全、社会稳定至关重要的因素之一。

网络安全行业特点

1、就业薪资非常高,涨薪快 2022年猎聘网发布网络安全行业就业薪资行业最高人均33.77万!

img

2、人才缺口大,就业机会多

2019年9月18日《中华人民共和国中央人民政府》官方网站发表:我国网络空间安全人才 需求140万人,而全国各大学校每年培养的人员不到1.5W人。猎聘网《2021年上半年网络安全报告》预测2027年网安人才需求300W,现在从事网络安全行业的从业人员只有10W人。
img

行业发展空间大,岗位非常多

网络安全行业产业以来,随即新增加了几十个网络安全行业岗位︰网络安全专家、网络安全分析师、安全咨询师、网络安全工程师、安全架构师、安全运维工程师、渗透工程师、信息安全管理员、数据安全工程师、网络安全运营工程师、网络安全应急响应工程师、数据鉴定师、网络安全产品经理、网络安全服务工程师、网络安全培训师、网络安全审计员、威胁情报分析工程师、灾难恢复专业人员、实战攻防专业人员…

职业增值潜力大

网络安全专业具有很强的技术特性,尤其是掌握工作中的核心网络架构、安全技术,在职业发展上具有不可替代的竞争优势。

随着个人能力的不断提升,所从事工作的职业价值也会随着自身经验的丰富以及项目运作的成熟,升值空间一路看涨,这也是为什么受大家欢迎的主要原因。

从某种程度来讲,在网络安全领域,跟医生职业一样,越老越吃香,因为技术愈加成熟,自然工作会受到重视,升职加薪则是水到渠成之事。

黑客&网络安全如何学习

今天只要你给我的文章点赞,我私藏的网安学习资料一样免费共享给你们,来看看有哪些东西。

1.学习路线图

行业发展空间大,岗位非常多

网络安全行业产业以来,随即新增加了几十个网络安全行业岗位︰网络安全专家、网络安全分析师、安全咨询师、网络安全工程师、安全架构师、安全运维工程师、渗透工程师、信息安全管理员、数据安全工程师、网络安全运营工程师、网络安全应急响应工程师、数据鉴定师、网络安全产品经理、网络安全服务工程师、网络安全培训师、网络安全审计员、威胁情报分析工程师、灾难恢复专业人员、实战攻防专业人员…

职业增值潜力大

网络安全专业具有很强的技术特性,尤其是掌握工作中的核心网络架构、安全技术,在职业发展上具有不可替代的竞争优势。

随着个人能力的不断提升,所从事工作的职业价值也会随着自身经验的丰富以及项目运作的成熟,升值空间一路看涨,这也是为什么受大家欢迎的主要原因。

从某种程度来讲,在网络安全领域,跟医生职业一样,越老越吃香,因为技术愈加成熟,自然工作会受到重视,升职加薪则是水到渠成之事。

黑客&网络安全如何学习

今天只要你给我的文章点赞,我私藏的网安学习资料一样免费共享给你们,来看看有哪些东西。

1.学习路线图

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

攻击和防守要学的东西也不少,具体要学的东西我都写在了上面的路线图,如果你能学完它们,你去就业和接私活完全没有问题。

2.视频教程

网上虽然也有很多的学习资源,但基本上都残缺不全的,这是我自己录的网安视频教程,上面路线图的每一个知识点,我都有配套的视频讲解。

内容涵盖了网络安全法学习、网络安全运营等保测评、渗透测试基础、漏洞详解、计算机基础知识等,都是网络安全入门必知必会的学习内容。

3.技术文档和电子书

技术文档也是我自己整理的,包括我参加大型网安行动、CTF和挖SRC漏洞的经验和技术要点,电子书也有200多本,由于内容的敏感性,我就不一一展示了。

4.工具包、面试题和源码

“工欲善其事必先利其器”我为大家总结出了最受欢迎的几十款款黑客工具。涉及范围主要集中在 信息收集、Android黑客工具、自动化工具、网络钓鱼等,感兴趣的同学不容错过。

还有我视频里讲的案例源码和对应的工具包,需要的话也可以拿走。

这些题目都是大家在面试深信服、奇安信、腾讯或者其它大厂面试时经常遇到的,如果大家有好的题目或者好的见解欢迎分享。

参考解析:深信服官网、奇安信官网、Freebuf、csdn等

内容特点:条理清晰,含图像化表示更加易懂。

内容概要:包括 内网、操作系统、协议、渗透测试、安服、漏洞、注入、XSS、CSRF、SSRF、文件上传、文件下载、文件包含、XXE、逻辑漏洞、工具、SQLmap、NMAP、BP、MSF…

img

数据处理安全评估框架:25个核心控制点与落地实践指南 数据安全是保障数字资产的核心,其基础在于对数据全生命周期的系统性防护。从原理上讲,这涉及数据的机密性、完整性和可用性三大安全目标。为实现这些目标,关键技术手段包括加密技术、访问控制、备份恢复与安全审计。加密技术通过算法转换保障数据在静态存储与动态传输中的机密性;访问控制则基于身份认证与权限管理,确保只有授权主体能访问特定资源,遵循最小权限原则。这些技术的工程价值在于将安全策略转化为可执行、可度量的控制措施,从而有效应对数据泄露、篡改与丢失风险。其应用场景广泛,覆盖从企业核心系统到个人项目的各类数据处理活动。 阅读详情

相关推荐

✳数据安全合规评估方法(解读+全文阅读)

标准内容涵盖范围广泛,包括评估框架、评估过程(准备、审核、分析、评价)、评估内容(业务运营模式、数据处理主体、数据处理活动、管理措施及落实、安全合规跟踪评估等)以及附录中的评估模板示例和相关法律罚则等。对于重要和核心数据的覆盖行业,如信息服务、能源、交通等,评估过程中需重点判断并评估相应的数据管理措施。- 数据处理活动:详细调研评估对象处理数据的类型、流程、规模、角色地位,以及数据全生命周期处理活动情况,包括收集、存储、使用、加工、传输、提供、公开、删除等环节,确保数据处理活动的合规性和安全性。

cdfunlove的博客 1024

数据处理安全评估:25项核心控制点

数据处理活动是数据安全风险评估的核心,它是区别网络安全关键之一。以数据为中心,关注数据的流动过程,数据流转至的任何环节,都可能产生风险,任何可能接触到数据的角色都存在风险隐患。关注数据的静止、传输、使用状态,每种状态下所需采取的防护措施不同。

网络安全 1707

数据安全风险评估报告结构化写作指南

数据安全风险评估是落实《数据安全法》《个人信息保护法》及等保2.0要求的核心合规动作。其本质是将法律义务转化为可验证、可追溯、可审计的文档证据链,关键在于建立‘法条—章节—字段—证据’四层映射关系。通过结构化报告框架(如分类分级、数据处理活动、技术控制点、整改闭环),实现风险识别与法律责任的精准对齐。该方法广泛应用于等保三级测评、政务系统上线审查、金融/医疗行业客户尽调及数据出境安全评估等场景,尤其适用于已完成数据分类分级但缺乏合规交付能力的中台建设者与安全负责人。

weixin_29322855的博客 330

国标GB/T 45577《数据安全风险评估方法》标准解读

未来,随着数据要素市场的深化发展,该标准或需进一步细化行业实施细则,并融入自动化风险评估技术,以应对海量数据场景下的动态安全挑战。本标准以《数据安全法》《个人信息保护法》等上位法为依托,旨在为数据处理者、第三方评估机构及监管部门提供统一的风险评估框架,指导其系统识别数据全生命周期安全风险,提升数据防攻击、防窃取等核心能力。风险场景‌:基于业务类型(如跨境传输、政务数据开放)、技术应用(如人工智能、区块链)等差异化场景定制评估方案;第三方审计‌:为认证机构提供可复用的风险评估模板,提升评估效率。

KKKlucifer的博客 3202

基于Multisim设计电子密码锁

一、设计任务与要求:(可软件仿真实现)1)基本要求:设计一个数字密码锁,要求只有按正确的顺序,输入正确的密码,方能输出开锁信号,实现开锁。设置三个正确的密码键和若干个伪键,任何伪键按下后,密码锁都无法打开。每次只能接受四次按键信号,而且第四个键只能是“确定”或者“重输键”,其他无效。能显示已输入键的个数2)扩展要求:第一次密码输错后,可以输入第二次,但是连续三次输错,密码将被锁,必须按复位键才能解锁。

ablinger的博客 4424

RV1126开发板性能实测:网络、温度与功耗全解析

本文对RV1126开发板进行了全面的性能实测,重点分析了网络性能、温度表现与功耗特性。测试发现UDP带宽可达500Mbps,但TCP性能受限于协议栈;散热设计对持续性能至关重要,大板子在AI推理和视频推流中表现更稳定。为嵌入式开发者提供了真实的选型参考和优化建议。

d3e4f的博客 272

等保测评中的数据安全风险评估:企业实战

通过实战案例的分析,我们可以看到,全面而深入的风险评估,结合有效的风险控制措施,是实现数据安全的关键。企业应将数据安全风险评估视为一项持续的工作,通过全面性、定期更新、全员参与和持续改进,不断提升数据安全防护水平,确保企业信息资产的安全和等保测评的顺利通过。随后,通过风险识别和分析,企业发现客户信息存在较高的泄露风险,于是将此确定为高风险,并制定了详细的风险控制措施,包括加强数据加密、实施严格的访问控制机制、定期进行数据安全培训等。4. 风险评价:综合考虑风险级别和企业风险承受能力,确定需优先处理的风险。

w13359990065的博客 1095

比特大陆校招笔试

我当时做的时候没有概念(上边倒计时我一直以为是一个模块的),所以第一个模块写的太长了导致最后才留15分钟快速选的(一共18道题),有一题最后没有选上,两题没有认真看题目瞎选的,求求求过过过!选择题:主要考高中物理题、数学题(念过高中的一定会,但是需要时间算,需要留25分钟左右的时间做)第一道就是写个人的内容,什么最近读过的书,最近的感受等等;分为两个模块,考试内容超级无敌简单,但是注意时间掌握。注意这里别花太长的时间,不然后边来不及。第二道逻辑分析题,需要你写解答。

Domainwa的博客 669

【数据安全】数据处理安全评估:25 项核心控制点全解析,覆盖风险排查到合规落地!

现在数据安全都强调数据处理活动,包括收集、存储、使用和加工、传输、提供、公开、删除等活动,强调数据的各个活动状态,活动之间的关联关系更紧密,颗粒度更加细腻,这些活动代表了不同数据场景,更加关注数据内部处理动作,如通常大数据平台的使用、加工,增加了一些数据公开、数据提供的概念,跟业务联系的更加紧密。内容概要:包括 内网、操作系统、协议、渗透测试、安服、漏洞、注入、XSS、CSRF、SSRF、文件上传、文件下载、文件包含、XXE、逻辑漏洞、工具、SQLmap、NMAP、BP、MSF…

shandongjiushen的博客 1116

使用podman 容器化安装DIFY

本文阐述了使用podman容器化安装DIFY的过程

wengad的博客 1902

从一根USB线缆说起:深入浅出聊聊那些影响信号完整性和EMC性能的‘小细节’(双绞、屏蔽、360度搭接全解析)

本文深入探讨了USB线缆中影响信号完整性和EMC性能的关键细节,包括双绞线绞距、屏蔽层设计和360度搭接工艺。通过实验数据和实用技巧,揭示了这些‘小细节’如何显著影响高频信号质量和电磁兼容性,为工程师提供了从选购到系统设计的全面指南。

weixin_30824479的博客 440

【数据安全】数据处理安全评估:25 项核心控制点,零基础也能按点排查,评估更高效!

现在数据安全都强调数据处理活动,包括收集、存储、使用和加工、传输、提供、公开、删除等活动,强调数据的各个活动状态,活动之间的关联关系更紧密,颗粒度更加细腻,这些活动代表了不同数据场景,更加关注数据内部处理动作,如通常大数据平台的使用、加工,增加了一些数据公开、数据提供的概念,跟业务联系的更加紧密。内容概要:包括 内网、操作系统、协议、渗透测试、安服、漏洞、注入、XSS、CSRF、SSRF、文件上传、文件下载、文件包含、XXE、逻辑漏洞、工具、SQLmap、NMAP、BP、MSF…

m0_59236602的博客 1166

PCL点云DBSCAN聚类算法:基于密度的点云聚类

核心点是在给定半径内拥有足够多邻居点的点,边界点是在给定半径内没有足够多邻居点但是位于核心点的邻域内的点,噪声点是既不是核心点也不是边界点的点。本文将介绍PCL中的DBSCAN(基于密度的空间聚类应用噪声)算法,用于点云数据的聚类。上述示例代码首先从PCD文件中读取点云数据,并设置了DBSCAN聚类的参数,包括邻域搜索半径(epsilon)和邻域内最小点数(min_points)。需要注意的是,示例代码中的点云数据格式为pcl::PointXYZ,如果使用其他类型的点云数据,需要相应地修改代码。

LpmShell的博客 1242

【数据安全】数据处理安全评估:25 项核心控制点清单,从技术防护到流程规范,评估全参考!

现在数据安全都强调数据处理活动,包括收集、存储、使用和加工、传输、提供、公开、删除等活动,强调数据的各个活动状态,活动之间的关联关系更紧密,颗粒度更加细腻,这些活动代表了不同数据场景,更加关注数据内部处理动作,如通常大数据平台的使用、加工,增加了一些数据公开、数据提供的概念,跟业务联系的更加紧密。内容概要:包括 内网、操作系统、协议、渗透测试、安服、漏洞、注入、XSS、CSRF、SSRF、文件上传、文件下载、文件包含、XXE、逻辑漏洞、工具、SQLmap、NMAP、BP、MSF…

Button12138的博客 1171

2026年北京君正数字IC笔试试卷带答案

本文摘要:该文档是一份数字IC设计相关的考试试题,包含单选题、多选题、波形分析题和代码设计题。内容涵盖时序约束、半导体工艺、状态机设计、逻辑综合、异步FIFO设计等知识点。试题解析详细,重点考察数字电路基础、时序分析和Verilog代码实现能力。典型题目包括多周期路径设置、Moore/Mealy状态机区别、同步复位与异步复位特性、RISC-V架构特点等,并提供了异步FIFO的Verilog实现参考代码。(149字)

Open 114

古月居ros2入门21讲里面7.节点:机器人的工作细胞,报错:QSocketNotifier: Can only be used with threads started...如何解决?

🏆本文收录于 《全栈Bug调优(实战版)》 专栏,该专栏专注于分享我在真实项目开发中遇到的各类疑难Bug及其深层成因,并系统提供高效、可复现的解决思路和实操方案。无论你是刚入行的新手开发者,还是拥有多年项目经验的资深工程师,本专栏都将为你提供一条系统化、高质量的问题排查与优化路径,助力你加速成长,攻克技术壁垒,迈向技术价值最大化与职业发展的更高峰🚀!

**My Coding Family** 1826

【数据安全】数据处理安全评估:25 项核心控制点(含加密 / 访问控制 / 备份),企业 / 个人都适用!

现在数据安全都强调数据处理活动,包括收集、存储、使用和加工、传输、提供、公开、删除等活动,强调数据的各个活动状态,活动之间的关联关系更紧密,颗粒度更加细腻,这些活动代表了不同数据场景,更加关注数据内部处理动作,如通常大数据平台的使用、加工,增加了一些数据公开、数据提供的概念,跟业务联系的更加紧密。内容概要:包括 内网、操作系统、协议、渗透测试、安服、漏洞、注入、XSS、CSRF、SSRF、文件上传、文件下载、文件包含、XXE、逻辑漏洞、工具、SQLmap、NMAP、BP、MSF…

2301_79455190的博客 1706

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

从资产分级到日志响应:25项数据安全控制点评估实战

数据安全治理的核心,不是把合规条款逐项打勾,而是沿着数据生命周期识别可能失控的环节。数据处理安全评估通常以资产盘点和分类分级为起点,再检查采集最小必要、传输加密、存储密钥、脱敏有效性、权限最小化与操作日志完整性等控制点;其原理是把制度要求转成可检查、可举证、可复现的技术观察点。这样既能暴露真实攻击面和使用场景中的薄弱环节,也能为整改优先级和事件追溯提供依据。对安全工程师、业务研发负责人和合规审计人员而言,这类评估可落到资产台账、权限矩阵、日志样本和恢复演练等证据上。围绕25项核心控制点的分组拆解与抽样评估,

weixin_29741447的博客 280

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

数据安全评估25项控制点:按数据流转链路拆解与现场取证

数据安全评估的本质不是对照清单打勾,而是沿数据流转链路验证控制措施在真实攻击路径上的有效性。以数据生命周期安全为框架,将采集接入、传输、存储、使用加工、共享对外、删除销毁及组织运营等环节的控制点串联起来,结合配置核验、日志抽样和技术验证,识别纸面合规与真实防护之间的缺口。对测试环境脱敏、高权限账号审计、备份保护、对外接口鉴权等高频风险场景,建立可追溯证据与风险加权评分,支撑整改优先级排序和常态化自查。围绕数据处理安全评估中的25项核心控制点,逐项拆解核查要点、判定标准与常见失效模式,并给出评分定级、报告撰写

weixin_28715953的博客 329

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

YD/T 3169《互联网新技术新业务安全评估》要点梳理(标准原文+配套文件+实操说明)

明确明示同意、敏感个人信息、未成年人个人信息、用户访问、更正、删除、注销账户等用户权益;3169为总指南,针对即时通信、互联网资源协作、大数据、CDN、搜索、信息社区、移动应用商店、信息发布递送等不同业务类型开展专项风险识别评估。3、评估重点核查五大控制点:业务准入管控、办理渠道管理、实名与业务台账、技术防控能力(主叫鉴权、不良呼叫监测系统)、事件事后处置与内部问责。3、落实数据全生命周期防护;明确评估报告必备组成要素,包含业务情况、评估工作情况、风险评估结果、整改落实、配套安全管理措施、确认签字表。

weixin_50132404的博客 221

亚马逊SP-API开发者账号PWC审计12个关键控制点

在云计算和API经济时代,数据安全审计成为企业合规运营的重要环节。以亚马逊SP-API为例,其审计核心在于实施精细化的访问控制和数据生命周期管理。通过建立权限矩阵、数据流图谱等技术手段,开发者可以系统性地满足PWC等审计机构的要求。特别是在处理PII数据时,需要结合AES-256加密、访问日志留存等安全措施。本文基于三次实战审计经验,详解从IAM权限配置到应急响应的12个关键控制点,帮助开发者构建符合SP-API规范的安全架构。

weixin_32428571的博客 103
上一篇: 【SQL注入】SQL注入漏洞的检测及防御,零基础入门到精通
下一篇: CNAS中兴新支点——什么是安全测试,安全测试报告有什么作用,主要测试哪些内容?
heike_沧海
博客等级 码龄3年 4649粉丝 391原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值